José Augusto Moreira Santos

Desenvolvimento de uma dashboard para rede de saúde, com uso de inteligência

artificial para uma melhor gestão de pacientes com COVID-19.

TRÊS LAGOAS
2023
 1

Desenvolvimento de uma dashboard para rede de saúde, com uso de

inteligência artificial para uma melhor gestão de pacientes com COVID-19.
José Augusto Moreira Santos, jose.santos17@estudante.ifms.edu.br

RESUMO

Este trabalho faz uso da aplicação de inteligência artificial em uma dashboard de

triagem com a previsão da probabilidade de morte de paciente com COVID-19 com
o algoritmo de classificação Decision Tree, para uma melhor gestão da prioridade de
atendimento e procura do mesmo em um possível período pandêmico.

Palavras-chave: Inteligência artificial, aprendizado de máquina, árvore de decisão,

covid-19, saúde.

Development of a dashboard for the health network, using artificial intelligence

for better management of patients with COVID-19.

ABSTRACT

This work makes use of the application of artificial intelligence in a screening

dashboard with the prediction of the probability of death of a patient with COVID-19
with the Decision Tree classification algorithm, for better management of the priority
of care and search for it in a possible pandemic period.

Keywords: Artificial Intelligence, machine learning, decision tree, covid-19, Heath.

1 INTRODUÇÃO
O período de pandemia devido ao surto de infectados por coronavírus,
deixou e deixara marcas em toda a humanidade para sempre. Apesar do grande
avanço tecnológico inúmeras vidas foram perdidas com a proliferação desse vírus, o
mundo se viu de mãos atadas devido a grande falta de informação ao que estava
acontecendo e apenas restavam fé e esperança para que dias melhores
chegassem. Não podemos pensar que o melhor não estava sendo feito, uma grande
gama de cientistas e pesquisadores das mais diversas áreas tiveram foco total para
desenvolver uma cura, forma de defesa ou amenizar o que estava acontecendo.
Dados da World Health Organization, estimam que mais de 6,57 milhões
de pessoas perderam suas vidas para a Covid-19 no globo desde o começo da
pandemia, onde 625 milhões de pessoas já foram infectadas. Com cerca de 34,7
milhões de pessoas infectadas e 687 mil mortes por Covid-19, até a escrita final
desta pesquisa, o Brasil aparentava estar enfrentando uma fase de estabilidade:
dados das secretarias estaduais de saúde mostram que o País apresentou uma
média móvel de mortes diárias de 72 e uma média móvel de 5,6 mil novas infecções
para o décimo segundo dia de outubro de 2022. (World Health Organization.
Coronavírus (COVID-19) Dashboard: 2022, 2022)
O uso de inteligência artificial está cada vez mais presente em diversas
áreas da saúde, inteligência artificial é definida como tecnologia computacional que
se assemelha a inteligência humana, aprendendo e se adaptando com as interações
que faz. (Nuffield Council on Bioethics, 2018).
As projeções de casos hospitalizados e a demanda de procura de
tratamento médico eficaz é de suma importância, desenvolver e estudar modelos de
inteligências artificiais capazes de prever com precisão a probabilidade de morte de
casos com COVID-19 traria uma grande melhora na gestão dos pacientes,
priorizando os mais necessitados e assim desobstruindo o fluxo caótico dos
hospitais, poupando recursos econômicos e tempo de atendimento. Segundo a
National Helth Service, o uso de inteligência artificial na saúde, melhora a precisão

2
dos diagnósticos e prevê um tratamento específico para cada tipo de paciente, isso
ajuda a staff de trabalho, aumentando a efetividade e eficiência (National Health
Service, 2019).
Embora muito conhecimento fora adquirido fechar os olhos para uma
possível catástrofe futura, seria uma atitude de completa ignorância devemos nos
adiantar a adversidades como essas e continuarmos evoluído, buscando entender
como poderíamos lidar de maneira mais eficaz e diminuir os riscos. Não apenas para
um período pandêmico, mas também pensando em uma transformação no sistema
de saúde em geral, aonde o trabalho em conjunto de “mente máquina” e a “mente
humana”, geraria uma maior eficiência e eficácia na resolução de atividades
repetitivas e em diagnósticos preditivos, fazendo com que o foco principal do
trabalho humano seja realmente analisar esses dados gerados por inteligência
artificial e trazer um lado mais empático e reforçar essa sensação de acolhimento e
tratamento aos pacientes.

1.1 OBJETIVO
O principal objetivo desse projeto é desenvolver, testar e validar modelos
de aprendizagem de máquina que possam de maneira precisa e eficaz prever a
probabilidade de morte de pacientes com COVID-19.

Especificamente, pretende-se analisar um conjunto de dados

disponibilizados com informações de pacientes durante o período pandêmico,
após essa análise será feito um tratamento desses dados identificando o que vira
a ser relevante para o projeto, utilizar modelos de aprendizagem de máquina
como rede neural ou arvore de decisão iremos posteriormente testar esses
modelos e validá-los analisando seus resultados após as previsões. Após o
processo de teste e validação, iremos adicionar essa inteligência a uma interface
dashboard totalmente interativa que poderá ser utilizada na rede de saúde publica
e particular.

Ao finalizar esse projeto seria esperado contribuir para um melhor

entendimento da prioridade de tratamento de pacientes com COVID-19,
fornecendo informações mais precisas para autoridades de saúde de onde

3
priorizar o atendimento evitando o aumento de casos de mortalidade. Contribuindo
também para uma melhor gestão desses pacientes no âmbito hospitalar, deixando
em aberto uma possível adaptação desse processo de atendimento para outros
tipos de doenças.

3 REFERENCIAL TEÓRICO
Os primórdios da IA datam de 1950, quando Alan Turing publicou seu artigo
“Computing Machinery and Intelligence” e propôs o teste (hoje nomeado TT em sua
homenagem) que compara a performance de um computador e de uma pessoa na
solução de um problema.
Computadores podem armazenar e recuperar dados sobre imagens, como
lesões dermatológicas ou exames radiológicos, de ultrassom, de ressonância
magnética, de tomografia por emissão de pósitrons (PET), de ecocardiogramas, de
eletroencefalogramas, eletrocardiogramas, dados de dispositivos vestíveis/corporais
(wearable devices) e gerar probabilidades de diagnóstico baseadas em algoritmos
de decisão estabelecidos e que podem se auto modificar em decorrência de
resultados obtidos (self improvement). (Luiz Carlos Lobo, 2017).
Em trabalho recente, Mukherjee relata a experiência de Sebastian Thrun, da
Universidade de Stanford, que armazena, numa rede neural de computação, 130 mil
imagens de lesões da pele classificadas por dermatologistas. O sistema usa
algoritmos que reconhecem imagens e suas características (pattern recognition). Em
junho de 2015, Thrun e equipe começaram a validar o sistema usando um conjunto
de 14 mil imagens que haviam sido diagnosticadas por dermatologistas, solicitando
que o sistema reconhecesse três tipos de lesão: benignas, malignas e crescimentos
não cancerosos. O sistema acertou 72% das vezes, comparado com um acerto de
66% obtido por dermatologistas qualificados. A experiência de Thrun foi ampliada
para incluir 25 dermatologistas e uma amostra de 2 mil casos biopsiados. A máquina
continuou sendo mais acurada. (Mukherjee S. A.I)
O uso da inteligência artificial não seria algo facilmente implementado do dia
para a noite, mesmo com a melhor eficiência no processo de passar dados físicos
para banco de dados já resultaria em anos de trabalho. O que nos dá uma

4
oportunidade de pensar em outras maneiras de fazer essa realocação de informação
para os computadores, também tomariam meses de aprendizados para que as
falhas não humanas sejam reduzidas ainda assim com muito tempo de
aprendizagem não seria possível dizer se algum dia chegaríamos em um resultado
aonde o uso da inteligência humana não seja necessária.

4 METODOLOGIA
Inteligência Artificial envolve várias etapas ou competências, como
reconhecer padrões e imagens, entender linguagem aberta escrita e falada,
perceber relações e nexos, seguir algoritmos de decisão propostos por especialistas,
ser capaz de entender conceitos e não apenas processar dados, adquirir
“raciocínios” pela capacidade de integrar novas experiências e, assim, se auto
aperfeiçoar, resolvendo problemas ou realizando tarefas.
Como abordado esse trabalho tem como uso o modelo de aprendizagem de
máquina Decision tree. Árvores de decisão (DTs) são um método de
aprendizagem supervisionado não paramétrico usado para classificação e
regressão. O objetivo é criar um modelo que preveja o valor de uma variável alvo,
aprendendo regras de decisão simples inferidas a partir dos recursos dos dados.
Uma árvore pode ser vista como uma aproximação constante por partes. (C.
Stone, 1984)

Existem algumas vantagens e desvantagens no uso de árvores de decisão:

é simples de entender e de interpretar, requer pouca preparação de dados, é
capaz de lidar com dados numéricos e categóricos, consegue lidar com problemas
de múltiplas saídas, a explicação para a condição é facilmente explicada pela
lógica booleana; por fim, é possível validar um modelo por meio de testes
estatísticos.

A linguagem de programação utilizada seria o Python na sua versão (3.8.2),

a linguagem de programação python é uma linguagem de fácil aprendizagem e
possui uma gama infinita de bibliotecas e frameworks que nos auxiliaram no
processo de desenvolvimento.

4.1 BIBLIOTECAS PYTHON

5
 Numerical Python (NumPy), utilizada para cálculos numéricos e científicos
tendo os principais recursos disponíveis, as matrizes NumPy fornecem
vetorização de operações matemáticas, o que aumenta o desempenho além de
possuir compatibilidade com outras bibliotecas também utilizadas.

Pandas, uma das principais bibliotecas atuais para manipulação de dados,

contem métodos para classificação, agrupamento e tratamento dos data sets de
fácil entendimento e alta eficiência.

Matplotlib e Plotly, utilizadas para visualização dos dados em formato de

diagramas e gráficos bidimensionais.

Skickit-learn, a biblioteca por padrão possui funções que já detém os

algoritmos de IA, como o decision tree que será utilizado no projeto.

A biblioteca utilizada para criação das dashboards seria, Dash que permite
construir e realizar o deploy de painéis interativos customizados

4.2 BANCO DE DADOS

Para análise utilizaremos uma base de dados disponibilizada pelo governo

mexicano Relatório do Sistema de Vigilância Epidemiológica de Doenças
Respiratórias Virais. Dados preliminares sujeitos a validação pelo Ministério da
Saúde através da Direção Geral de Epidemiologia. A informação contida
corresponde apenas aos dados obtidos no estudo epidemiológico de um caso
suspeito de doença respiratória viral no momento da sua identificação nas
unidades médicas do Sector da Saúde. De acordo com o diagnóstico clínico na
admissão, o paciente é considerado ambulatorial ou internado. A base não
contempla a evolução durante a permanência nas unidades médicas, com
exceção das atualizações na alta pelas unidades de vigilância epidemiológica
hospitalar ou jurisdições de saúde no caso de óbitos. Disponível em:
https://datos.gob.mx/busca/dataset/informacion-referente-a-casos-covid-19-en-mexico>

4.3 DASHBOARD

O principal objetivo dessa dashboard é ser totalmente funcional e iterativa,

que oferece uma visão abrangente da situação dos pacientes com COVID-19 e
incorpora previsões de mortalidade baseadas em Inteligência Artificial (IA). Ela

6
atuara como um painel central aonde informações críticas e atualizadas, serão
fornecidas para os profissionais da saúde e gestores.

A plataforma oferecerá uma tela com visão geral dos casos de covid-19 de
determinada região, essa primeira visão ajudaria a compreender o impacto da
doença nesse grupo populacional. Em outra tela seria possível ter uma análise
dinâmica dos casos em tempo real, casos ativos, taxa de recuperação e
fatalidades, auxiliando na tomada de decisões ágeis e a distribuição dos recursos
do hospital. Já na última tela utilizando dados clínicos e histórico médico dos
pacientes, a inteligência artificial poderia por sua vez predizer precisamente a
porcentagem de morte associada ao covid-19.

5 CRONOGRAMA DE ATIVIDADES

MÊS / ETAPAS 02/2024 03/24 04/24 05/24 06/24 07/24 08/24 09/24 10/24 11/24 12/24

Aprendizagem X X
das ferramentas
Levantamento X X
bibliográfico
Elaboração do X X
projeto
Tratamento do X
banco de dados
Desenvolviment X X X
o da IA
Testes do X X X
modelo
Desenvolviment X X
o das
dashboards
Teste em X X X
postos de
saúde
Revisão final e X X
entrega do
projeto
Escrita do X X
artigo

7
 Publicação do X
artigo em
revista

6 RESULTADOS ESPERADOS

Pretende-se alcançar um nível de precisão de aproximadamente 80% de

acerto pela inteligência artificial e uma validação da dashboard de atendimento
após o período de testes, o que já viabilizaria o projeto para uma possível
expansão na rede de saúde e assim após testado e validado, estimamos uma
melhora na gestão, no fluxo de pacientes e recursos dos hospitais juntamente com
uma assertividade e número dos prognósticos positivos maiores.

Também se espera um atendimento de qualidade tendo em vista que o

nosso projeto, democratiza e viabiliza um atendimento inicial igualitário fazendo
com que o diagnóstico de cada paciente seja mais preciso.

8
 REFERÊNCIAS

Artificial intelligence (AI) in healthcare and research. London: Nuffield Council on

Bioethics; 2018.

Badawi O, Brennan T, Celi LA, Feng M, Ghassemi M, Ippolito A, et al. Making Big
Data Useful for Healthcare: A Summary of the Inaugural Critical Data Conference.
JMIR Med Inform. 2014; 2:e22. doi: 10.2196/medinform.3447.

L. Breiman, J. Friedman, R. Olshen e C. Stone. Classification and Regression

Decision Tree . Wadsworth, Belmont, CA, 1984.

Topol E. The Topol review: preparing the healthcare workforce to deliver the
digital future. London: National Health Service; 2019.4.

World Health Organization. Coronavirus (COVID-19) Dashboard: 2022. Geneva:

World Health Organization; 2022.

Turing AM. Computing Machinery and Intelligence. Mind.1950;49:433-460

Mukherjee S. A.I. Versus M.D: what happens when diagnosis is automated? The
New Yorker [on line] 2010 april 3. Disponível em:
<http://www.newyorker.com/magazine/2017/04/03/ai-versus-md>

Dataset disponível em: <https://datos.gob.mx/busca/dataset/informacion-referente-a-

casos-covid-19-en-mexico>.